Er worden haast mythische mogelijkheden toegeschreven aan de snel toenemende mogelijkheden met data analyse. Vooral artificial intelligence, AI, gaat dan het verschil maken en niet alleen ons werk maar al snel de gehele wereld overnemen. Zoals in de vorige blog beschreven is hier wel wat nuancering nodig. Net als bij de mogelijkheden van BlockChain, daar ga ik het in het volgende blog over hebben.
 
Even wat gedachten over het incassoproces: wanneer ben je daarin succesvol en wat zijn de beperkingen?
 
Vanuit de historische data kan je achterhalen wanneer een dossier succesvol is geweest, er is een vordering geheel of gedeeltelijk binnengehaald. Maar wat waren de stappen die hiervoor nodig waren, welke acties heb ik uit moeten voeren? Kunnen we uit de historische data een aantal scenario’s halen, de stappen per scenario bepalen en hiermee voorspellen wanneer we goed bezig zijn? Welke parameters hebben we minimaal nodig om dit data model in elkaar te zetten? Hoe onderscheiden we zogeheten ‘false positives’ in de resultaten?
 
Onderstaand plaatje laat zien hoe het optimalisatieproces verloopt in een aantal leercurves:
Optimalisatie leercurve data analyse 
Op de verticale Y-as het percentage uitwinbare dossiers, wanneer dit 100% is dan betekent het dat ieder aangeleverd dossier altijd 100% inbaar is en dus compleet is aangeleverd. Logisch gevolg is dat klanten die 100% correcte en inbare dossiers aanleveren geen incassopartner meer nodig hebben, vanuit onze ervaring weten we dat dit niet klopt?
 
Op de horizontale X-as is het aantal succesvol geinde dossiers te zien, door procesverbeteringen, toenemende ervaring van de behandelaars, data analyse, etc. worden hier verbeterslagen in gemaakt: de curves gaan van 1 naar 2 naar 3, etc.
 
Interessant is nu om te bedenken dat wanneer curve met nummer 3 de meest ervaren behandelaar in het meest efficiënte proces weer geeft: wanneer zal data analyse curve 4 bereiken en dus beter presteren dan deze behandelaar? Kan je voorspellen welke stappen je in het incassoproces moet zetten, de volgorde vooraf bepalen en daarmee richting het optimum van volledig aangeleverde dossiers en alle dossiers geïncasseerd bereiken?
 
Zoals in de vorige blog aangegeven zal dit inderdaad banen gaan kosten, maar (citaat): “niet meer of minder dan in vorige ontwikkelstappen het geval is geweest. Natuurlijk zal het de manier waarop wij ons werk doen veranderen, ons efficiënter maken en kosten verlagen. Het zal ervoor zorgen dat sommige functies overbodig worden, maar veel van de taken waarvoor deze technologie wordt ingezet waren simpelweg niet eerder mogelijk vanwege de complexiteit of de schaal.” Dat heeft twee belangrijke gevolgen:
  1. Domein expertise blijft nog lang nodig, al is het alleen maar om data analyse resultaten in een lokale omgeving (met unieke historie) te doorgronden
  2. Het lerend vermogen is beperkt tot het optimum van 100% -/- 100% en daar heb je een oneindig aantal (incasso)stappen voor nodig.
 
Meer weten over de mogelijkheden van data analyse of een keer een (data)intelligente omgeving bekijken? Neem contact op met BVCM of direct met Igor Wortel via igor@phalanxes.eu of +31 614 245 649
  • Igor Wortel